9B 交错多重线性型

本节概览

本节是第9章”多重线性代数和行列式”的第二小节，将双线性型推广到多重线性型，然后聚焦交错多重线性型，为下一节行列式的定义奠定理论基础。逻辑链条如下：

1. 定义9.24/9.25：多重线性型 $\to$ $V^{(m)}$：$V^m\to \mathbb{F}$ 上每个位置都线性的函数
2. 定义9.27：交错型 $\to$ $V_{\text{alt}}^{(m)}$：任意两个输入相等时输出为零
3. 定理9.28/9.29：基本性质 $\to$ 线性相关组 $\to$ 输出0；$m>\dim V$ 时无非零交错型
4. 定义9.31/9.32：排列与符号 $\to$ 逆序数定义排列的符号 $\mathrm{sign}(j_1,\dots ,j_m)$
5. 定理9.35/9.36：核心公式 $\to$ $\alpha (v_{j_1},\dots )=\mathrm{sign}\cdot \alpha (v_1,\dots )$；展开公式
6. 定理9.37：一维性 $\to$ $\dim V_{\text{alt}}^{(n)}=1$（$n=\dim V$）← 本节核心
7. 定理9.39：线性无关性刻画 $\to$ 非零交错 $n$ 重线性型检测线性无关性

核心主线：多重线性型 $\to$ 交错型 $\to$ 排列符号 $\to$ 展开公式 $\to$ 一维性 $\to$ 行列式定义的理论基础。

前置依赖：9A 双线性和二次型（双线性型、交错双线性型）、3F 对偶（对偶空间 $V^{\prime }$、线性泛函）、8D 联系矩阵与算子的桥梁——迹（迹的多线性性）、2A 张成空间和线性无关性（线性相关性引理2.19）。

---

一、多重线性型的定义与基本性质

1.1 笛卡尔积 $V^m$

定义9.24： $V^m$

对于正整数 $m$，定义 $V^m$ 为 $V^m=\underset{m\text{ 个 }V}{\underbrace{V\times \cdots \times V}}$

1.2 多重线性型的定义

定义9.25： $m$ 重线性型（$m$-linear form）、$V^{(m)}$、多重线性型（multilinear form）

对于正整数 $m$，$V$ 上的==$m$ 重线性型==是一个函数 $\beta :V^m\to \mathbb{F}$，它在每个位置都是线性的（当其他位置的值固定时）。这意味着，对每个 $k\in \{1,\dots ,m\}$ 和所有 $u_1,\dots ,u_m\in V$，函数 $v\mapsto \beta (u_1,\dots ,u_{k-1},v,u_{k+1},\dots ,u_m)$ 是 $V$ 到 $\mathbb{F}$ 的线性映射。

$V$ 上 $m$ 重线性型所构成的集合记作 $V^{(m)}$。若函数 $\beta$ 是 $V$ 上的 $m$ 重线性型（$m$ 为正整数），则称该函数为一个多重线性型。

与已学概念的关系：

• $V$ 上的 $1$ 重线性型 = $V$ 上的线性泛函（即 $V^{(1)}=V^{\prime }$）
• $V$ 上的 $2$ 重线性型 = $V$ 上的双线性型（即 $V^{(2)}$）
• 带有通常的函数加法和标量乘法运算的 $V^{(m)}$ 是向量空间

1.3 多重线性型的例子

例9.26： $m$ 重线性型

例1：设 $\alpha ,\rho \in V^{(2)}$。定义函数 $\beta :V^4\to \mathbb{F}$ 为 $\beta (v_1,v_2,v_3,v_4)=\alpha (v_1,v_2)\rho (v_3,v_4)$ 那么 $\beta \in V^{(4)}$。这是因为固定 $v_2,v_3,v_4$ 后，$\beta$ 关于 $v_1$ 是线性的（因为 $\alpha$ 在第一个位置上线性），其他位置类似。

例2：定义函数 $\beta :\mathcal{L}(V{)}^m\to \mathbb{F}$ 为 $\beta (T_1,\dots ,T_m)=\mathrm{tr}(T_1\cdots T_m)$ 那么 $\beta$ 是 $\mathcal{L}(V)$ 上的 $m$ 重线性型。这是因为迹是线性的，且矩阵乘法在每个因子上是线性的。

---

二、交错多重线性型

2.1 交错型的定义

定义9.27：交错型（alternating forms）、 $V_{\text{alt}}^{(m)}$

设 $m$ 是正整数。对于 $V$ 上的 $m$ 重线性型 $\alpha$，如果只要 $V$ 中向量组 $v_1,\dots ,v_m$ 满足对于某两个不同的 $j,k\in \{1,\dots ,m\}$ 有 $v_j=v_k$，就有 $\alpha (v_1,\dots ,v_m)=0$，则称 $\alpha$ 是交错的。

$V_{\text{alt}}^{(m)}=\{\alpha \in V^{(m)}:\alpha \text{ 是 }V\text{ 上的交错 }m\text{ 重线性型}\}$

与9A节的联系：交错双线性型（定义9.14）就是 $m=2$ 时的特殊情况。$V_{\text{alt}}^{(2)}$ 在 9A 中已经研究过。

子空间验证

$V_{\text{alt}}^{(m)}$ 是 $V^{(m)}$ 的子空间——交错型的和与标量倍仍是交错的（因为零函数显然满足交错条件，且线性运算保持”两个相等输入时为零”的性质）。

2.2 交错型与线性相关性

定理9.28：交错多重线性型和线性相关性

设 $m$ 是正整数，$\alpha$ 是 $V$ 上的交错 $m$ 重线性型。若 $v_1,\dots ,v_m$ 是 $V$ 中的线性相关组，那么 $\alpha (v_1,\dots ,v_m)=0$

证明思路

[利用线性相关性引理]：

1. 由线性相关性引理（2.19），某个 $v_k$ 是 $v_1,\dots ,v_{k-1}$ 的线性组合。
2. 存在 $b_1,\dots ,b_{k-1}$ 使得 $v_k=b_1{v}_1+\cdots +b_{k-1}{v}_{k-1}$。
3. 将 $v_k$ 代入 $\alpha (v_1,\dots ,v_m)$，利用 $\alpha$ 在第 $k$ 个位置上的线性性展开： $\alpha (v_1,\dots ,v_m)={\sum }_{j=1}^{k-1}{b}_j\alpha (v_1,\dots ,v_{k-1},v_j,v_{k+1},\dots ,v_m)$
4. 每一项中 $v_j$ 出现了两次（一次在第 $j$ 个位置，一次在第 $k$ 个位置），由交错性，每项都等于 $0$。$■$

定理9.28的直觉

这个定理的几何意义是：如果 $m$ 个向量线性相关，它们张成的”平行多面体”退化了，“体积”为零。这正是有向体积函数（交错多重线性型）的自然性质。

2.3 $m>\dim V$ 时无非零交错型

定理9.29：对 $m>\dim V$，不存在非零交错 $m$ 重线性型

设 $m>\dim V$。那么 $0$ 是 $V$ 上唯一的交错 $m$ 重线性型。

证明思路

[反证与定理9.28的直接应用]：

1. 设 $\alpha$ 是 $V$ 上的交错 $m$ 重线性型，且 $v_1,\dots ,v_m\in V$。
2. 因为 $m>\dim V$，由2.22，该组不是线性无关的。
3. 由定理9.28，$\alpha (v_1,\dots ,v_m)=0$。
4. 因此 $\alpha$ 是从 $V^m$ 到 $\mathbb{F}$ 的零函数。$■$

推论

定理9.29意味着：在 $n$ 维空间上，只有当输入向量的个数 $\le n$ 时，才可能存在有意义的交错多重线性型。特别地，$V_{\text{alt}}^{(m)}=\{0\}$ 当 $m>n$。

2.4 交换输入向量变号

定理9.30：交换交错多重线性型的输入向量

设 $m$ 是正整数，$\alpha$ 是 $V$ 上的交错 $m$ 重线性型，且 $v_1,\dots ,v_m$ 是 $V$ 中的向量组。那么交换 $\alpha (v_1,\dots ,v_m)$ 中任意两个位置上的向量会使 $\alpha$ 的值变为原来的 $-1$ 倍。

证明思路

[利用交错性推导反对称性]：

1. 在前两个位置上都取 $v_1+v_2$ 可得 $0=\alpha (v_1+v_2,v_1+v_2,v_3,\dots ,v_m)$
2. 利用 $\alpha$ 的多重线性性展开（与定理9.16的证明完全类似）： $0=\alpha (v_1,v_1,v_3,\dots )+\alpha (v_1,v_2,v_3,\dots )+\alpha (v_2,v_1,v_3,\dots )+\alpha (v_2,v_2,v_3,\dots )$
3. 第一项和第四项为零（交错性），所以 $\alpha (v_1,v_2,v_3,\dots )+\alpha (v_2,v_1,v_3,\dots )=0$。
4. 因此 $\alpha (v_2,v_1,v_3,\dots )=-\alpha (v_1,v_2,v_3,\dots )$。类似地，交换任意两个位置都变号。$■$

注意

定理9.30说的是交换任意两个位置（不限于相邻位置）。这与定理9.16（$m=2$ 的特殊情况）的证明方法完全一致。

---

三、排列与排列的符号

3.1 排列的定义

定义9.31：排列（permutation）、 ${\text{perm}}_m$

设 $m$ 是正整数。$(1,\dots ,m)$ 的一个排列是不重不漏地包含 $1,\dots ,m$ 的组 $(j_1,\dots ,j_m)$。

$(1,\dots ,m)$ 的所有排列所构成的集合记为 ${\text{perm}}_m$。

直觉：${\text{perm}}_m$ 的一个元素就是对头 $m$ 个正整数的一个重排。例如 $(2,3,4,5,1)\in {\text{perm}}_5$。

3.2 排列的符号（逆序数）

定义9.32：排列的符号（sign of a permutation）

排列 $(j_1,\dots ,j_m)$ 的符号定义为 $\mathrm{sign}(j_1,\dots ,j_m)=(-1{)}^N$ 其中 $N$ 是所有整数对 $(k,\ell )$（$1\le k<\ell \le m$）中，满足 $k$ 在组 $(j_1,\dots ,j_m)$ 中排在 $\ell$ 之后的数目。

$N$ 也称为排列的逆序数（inversion number）。若 $N$ 为偶数则符号为 $1$（偶排列），若 $N$ 为奇数则符号为 $-1$（奇排列）。

3.3 符号的计算例子

例9.33：符号

例1：$(1,\dots ,m)$（保持自然顺序不变）的符号是 $1$（逆序数为 $0$）。

例2：在 $(2,1,3,4)$ 这个组中，唯一满足 $k$ 排在 $\ell$ 之后的整数对 $(k,\ell )$（$k<\ell$）是 $(1,2)$。因此排列 $(2,1,3,4)$ 的符号是 $-1$。

例3：在排列 $(2,3,\dots ,m,1)$ 中，满足 $k$ 排在 $\ell$ 之后的整数对 $(k,\ell )$（$k<\ell$）仅有 $(1,2),(1,3),\dots ,(1,m)$。因为这些整数对共有 $m-1$ 个，所以该排列的符号等于 $(-1{)}^{m-1}$。

3.4 交换排列中的两项

定理9.34：交换排列中的两项

交换排列中的两项会将排列的符号乘以 $-1$。

证明思路

[分析逆序数变化]：

1. 假设第二个排列通过交换第一个排列中的两项得到。
2. 被交换的两项本身：如果原来按自然顺序排列，交换后不按自然顺序排列（反之亦然），净变化量为 $\pm 1$（奇数）。
3. 两个被交换项之间的中间项：若某个中间项最初与两个被交换的项都符合自然顺序，交换后与两个都不符合（净变化 $+2$）；若最初都不符合，交换后都符合（净变化 $-2$）；若恰与之一符合，则不变（净变化 $0$）。所有中间项的贡献都是偶数。
4. 其他数对不受影响。因此逆序数总变化量是奇数，符号乘以 $-1$。$■$

逆序数奇偶性的良定义性

定理9.34保证了一个关键事实：无论用什么方式将排列分解为对换（交换），对换个数的奇偶性是唯一确定的。这是因为每次对换都改变符号，而符号本身是良定义的（由逆序数定义）。

---

四、交错型与排列的结合

4.1 排列与交错型的关系

定理9.35：排列和交错多重线性型

设 $m$ 是正整数，且 $\alpha \in V_{\text{alt}}^{(m)}$。那么 $\alpha (v_{j_1},\dots ,v_{j_m})=\mathrm{sign}(j_1,\dots ,j_m)\alpha (v_1,\dots ,v_m)$ 对 $V$ 中每个向量组 $v_1,\dots ,v_m$ 以及所有 $(j_1,\dots ,j_m)\in {\text{perm}}_m$ 成立。

证明思路

[利用交换操作逐步还原]：

1. 设 $(j_1,\dots ,j_m)\in {\text{perm}}_m$。通过对 $\alpha$ 不同位置上的向量进行一系列交换操作，使下标排列由 $(j_1,\dots ,j_m)$ 变为 $(1,\dots ,m)$。
2. 每次交换将 $\alpha$ 的值乘以 $-1$（由定理9.30），同时将排列的符号乘以 $-1$（由定理9.34）。
3. 最终得到排列 $(1,\dots ,m)$，其符号为 $1$。
4. 若 $\mathrm{sign}(j_1,\dots ,j_m)=1$，则 $\alpha$ 的值改变符号偶数次（不变）；若为 $-1$，则改变奇数次（变号）。$■$

定理9.35的意义

这个定理将排列的符号与交错多重线性型的行为完美对应——排列的符号精确地编码了”将输入向量重排后，交错型的值如何变化”。这是连接排列理论与线性代数的桥梁。

4.2 核心展开公式

定理9.36： $V$ 上交错 $(\dim V)$ 重线性型的公式

令 $n=\dim V$。设 $e_1,\dots ,e_n$ 是 $V$ 的一个基且 $v_1,\dots ,v_n\in V$。对每个 $k\in \{1,\dots ,n\}$，令 $b_{1,k},\dots ,b_{n,k}\in \mathbb{F}$ 满足 $v_k={\sum }_{j=1}^n{b}_{j,k}{e}_j$ 那么 $\alpha (v_1,\dots ,v_n)=\alpha (e_1,\dots ,e_n){\sum }_{(j_1,\dots ,j_n)\in {\text{perm}}_n}\mathrm{sign}(j_1,\dots ,j_n)b_{j_1,1}\cdots b_{j_n,n}$ 对于 $V$ 上每个交错 $n$ 重线性型都成立。

证明思路

[展开+交错性消项]：

1. 将每个 $v_k$ 用基向量展开： $\alpha (v_1,\dots ,v_n)=\alpha ({\sum }_{j_1}{b}_{j_1,1}{e}_{j_1},\dots ,{\sum }_{j_n}{b}_{j_n,n}{e}_{j_n})$
2. 利用多重线性性逐个展开，得到 $n^n$ 项的求和。
3. 关键简化：如果 $j_1,\dots ,j_n$ 不是互异的整数，则 $\alpha (e_{j_1},\dots ,e_{j_n})=0$（因为某个基向量出现至少两次，由交错性）。
4. 因此只剩下 $j_1,\dots ,j_n$ 互不相同的项，即 $(j_1,\dots ,j_n)\in {\text{perm}}_n$ 的项。
5. 由定理9.35，$\alpha (e_{j_1},\dots ,e_{j_n})=\mathrm{sign}(j_1,\dots ,j_n)\alpha (e_1,\dots ,e_n)$。$■$

公式的结构

这个公式将 $\alpha (v_1,\dots ,v_n)$ 表示为 $\alpha (e_1,\dots ,e_n)$ 乘以一个由坐标和排列符号构成的表达式。注意求和遍历所有 $n!$ 个排列，而非 $n^n$ 项——交错性将绝大多数项消去了。

4.3 一维性——本节核心定理

定理9.37： $\dim V_{\text{alt}}^{(\dim V)}=1$

向量空间 $V_{\text{alt}}^{(n)}$（其中 $n=\dim V$）的维数是 $1$。

证明思路

[证明维数不超过1]：

1. 设 $\alpha$ 和 ${\alpha }^{\prime }$ 是 $V$ 上的交错 $n$ 重线性型且 $\alpha \ne 0$。
2. 令 $e_1,\dots ,e_n$ 满足 $\alpha (e_1,\dots ,e_n)\ne 0$。由定理9.28，$e_1,\dots ,e_n$ 线性无关，因而是 $V$ 的基。
3. 存在 $c\in \mathbb{F}$ 使得 ${\alpha }^{\prime }(e_1,\dots ,e_n)=c\alpha (e_1,\dots ,e_n)$。
4. 对任意 $v_1,\dots ,v_n\in V$，由定理9.36 展开，${\alpha }^{\prime }(v_1,\dots ,v_n)=c\alpha (v_1,\dots ,v_n)$。
5. 因此 ${\alpha }^{\prime }=c\alpha$，任何两个交错 $n$ 重线性型都线性相关，$\dim V_{\text{alt}}^{(n)}\le 1$。

[构造非零元素排除维数为0]：

1. 令 $e_1,\dots ,e_n$ 是 $V$ 的任意基，${\phi }_1,\dots ,{\phi }_n\in V^{\prime }$ 是对偶基（$v={\sum }_j{\phi }_j(v)e_j$）。
2. 定义 $\alpha (v_1,\dots ,v_n)={\sum }_{(j_1,\dots ,j_n)\in {\text{perm}}_n}\mathrm{sign}(j_1,\dots ,j_n){\phi }_{j_1}(v_1)\cdots {\phi }_{j_n}(v_n)(9.38)$
3. 验证 $\alpha$ 是 $n$ 重线性型（每个 ${\phi }_{j_k}$ 在 $v_k$ 上线性）。
4. 验证 $\alpha$ 是交错的：若 $v_1=v_2$，则排列 $(j_2,j_1,j_3,\dots ,j_n)$ 与 $(j_1,j_2,j_3,\dots ,j_n)$ 符号相反，对应项成对抵消。
5. 取 $v_k=e_k$，则 ${\phi }_j(e_k)={\delta }_{j,k}$，只有排列 $(1,\dots ,n)$ 的项非零，得 $\alpha (e_1,\dots ,e_n)=1\ne 0$。$■$

一维性的核心意义

==在 $n$ 维空间上，所有非零的交错 $n$ 重线性型都只差一个标量倍数==。这意味着：

• “有向体积”这个概念在给定维度的空间中本质上是唯一的
• 你只能选择”单位”（归一化方式），但测量的对象是同一个
• 这正是下一节定义行列式的理论基础——行列式就是”线性算子对有向体积的缩放因子”

4.4 交错型与线性无关性

定理9.39：交错 $(\dim V)$ 重线性型与线性无关性

令 $n=\dim V$。设 $\alpha$ 是 $V$ 上的非零交错 $n$ 重线性型，且 $e_1,\dots ,e_n$ 是 $V$ 中的向量组。那么 $\alpha (e_1,\dots ,e_n)\ne 0$ 当且仅当 $e_1,\dots ,e_n$ 是线性无关的。

证明思路

[双向蕴涵]：

$\Rightarrow$：若 $\alpha (e_1,\dots ,e_n)\ne 0$，则由定理9.28（线性相关组 $\to$ 输出0的逆否命题），$e_1,\dots ,e_n$ 不是线性相关的，即线性无关。

$\Leftarrow$：设 $e_1,\dots ,e_n$ 线性无关。因为 $n=\dim V$，所以 $e_1,\dots ,e_n$ 是 $V$ 的基（由2.38）。因为 $\alpha$ 非零，存在 $v_1,\dots ,v_n$ 使 $\alpha (v_1,\dots ,v_n)\ne 0$。由定理9.36，$\alpha (e_1,\dots ,e_n)\ne 0$（因为展开公式中 $\alpha (e_1,\dots ,e_n)$ 是公因子，且至少有一组 $v$ 使整个表达式非零）。$■$

定理9.39的条件不可省略

习题7表明：如果 $m\ne \dim V$，则 $\alpha (e_1,\dots ,e_m)\ne 0$ 不一定蕴含 $e_1,\dots ,e_m$ 线性无关。定理9.39中 $n=\dim V$ 的假设是必要的。

---

五、知识结构总览

graph TD
    A[多重线性型 V的m次方 到 F] --> B[定义9.25 - V的m次方括号]
    A --> C[例9.26 - 具体例子]
    B --> D[交错型 - 定义9.27]
    D --> E[V的m次方 alt - 交错型子空间]
    E --> F[定理9.28 - 线性相关组输出为0]
    F --> G[定理9.29 - m大于dimV时无非零]
    E --> H[定理9.30 - 交换输入变号]
    D --> I[排列 - 定义9.31]
    I --> J[排列符号 - 定义9.32 逆序数]
    J --> K[定理9.34 - 交换两项符号乘负1]
    H --> L[定理9.35 - 排列与交错型结合]
    K --> L
    L --> M[定理9.36 - 核心展开公式]
    M --> N[定理9.37 - dim V alt 的 n次方 等于1]
    N --> O[定理9.39 - 线性无关性刻画]
    N --> P[下一节 - 行列式的定义]

---

六、核心思想与证明技巧

6.1 从双线性型到多重线性型的推广

本节将9A节的双线性型理论从 $m=2$ 推广到任意正整数 $m$。核心定义结构完全平行：

• $V^{(m)}$ 是 $m$ 重线性型的向量空间（类比 $V^{(2)}$）
• $V_{\text{alt}}^{(m)}$ 是交错 $m$ 重线性型的子空间（类比 $V_{\text{alt}}^{(2)}$）
• 交错性的定义和基本性质（变号、线性相关→0）完全类似

6.2 排列符号的引入动机

排列符号不是凭空引入的，而是由交错型的性质自然催生的：

1. 定理9.30告诉我们：交换两个输入→值变号
2. 多次交换后，值的符号变化取决于交换次数的奇偶性
3. 为了统一处理任意排列，需要一个一致的符号赋值方案
4. 逆序数（定义9.32）恰好提供了这个方案，且定理9.34保证了它的良定义性

6.3 展开公式中的消项技巧

定理9.36的证明展示了一个强大的技巧：

• 从 $n^n$ 项的一般展开出发
• 利用交错性（两个相同基向量→0）消去绝大多数项
• 只剩下 $n!$ 个排列对应的项
• 再利用定理9.35将所有排列项统一表达

6.4 一维性的证明策略

定理9.37的证明分为两步：

1. 上界：证明任意两个交错 $n$ 重线性型都只差标量倍（利用定理9.36的展开公式，$\alpha (e_1,\dots ,e_n)$ 作为公因子提取）
2. 下界：构造一个具体的非零交错 $n$ 重线性型（利用对偶基和排列符号的公式9.38）

这种”上界+构造”的证明模式在维数计算中非常常见。

6.5 公式9.38的重要性

公式9.38不仅是证明定理9.37的工具，它还有独立的价值：

• 给出了交错 $n$ 重线性型的”标准形式”
• 在下一节中，将此公式应用于线性算子的矩阵，就自然得到行列式的经典定义
• 公式中的排列和结构已经预示了行列式的莱布尼茨公式

---

七、补充理解与易混淆点

7.1 交错多重线性型的几何直觉——有向体积

交错多重线性型本质上就是在测量"有向体积"（oriented volume）。

从有向长度到有向体积的推广链条：

维度	几何对象	测量函数	性质
$1$ 维	线段	有向长度 $l(v)$	线性（$l:V\to \mathbb{F}$）
$2$ 维	平行四边形	有向面积 $A(v_1,v_2)$	双线性 + 交错
$3$ 维	平行六面体	有向体积 $V(v_1,v_2,v_3)$	三线性 + 交错
$n$ 维	$n$ 维平行多面体	有向 $n$ 维体积	$n$ 重线性 + 交错

二维有向面积的详细分析：设 $V$ 是二维向量空间，给定基 $(e_1,e_2)$，定义 $A(v_1,v_2)$ 为由 $v_1,v_2$ 张成的平行四边形的有向面积。经典几何告诉我们，平行四边形的（无符号）面积为 $\Vert v_1\Vert \Vert v_2\Vert \sin \theta$，其中 $\theta$ 是两向量的夹角。这个面积函数天然满足：

1. 多线性性：固定一个边，面积关于另一个边是线性的（底乘高，高是线性的）
2. 交错性：$A(v,v)=0$（退化平行四边形面积为零），因此交换两边变号

但注意：无符号面积中的绝对值和 $\pm$ 号阻止了它成为双线性函数。修复方法是引入符号——有向面积 $A(v_1,v_2)$ 可正可负，从而恢复双线性性。

具体计算：若 $v=a{e}_1+b{e}_2$，$w=c{e}_1+d{e}_2$，则 $A(v,w)=ad-bc=\det \left(\begin{array}{cc}a& b\\ c& d\end{array}\right)$ 行列式本质上就是有向体积函数在标准基下的坐标表示。

三维情况：类似地，$V(\vec{a},\vec{b},\vec{c})$ 测量由三个向量张成的平行六面体的有向体积。正号对应右手系，负号对应左手系，零对应退化（三向量共面）。

来源：Sheel Ganatra (UC Berkeley) wedge products 讲义、Deane Yang (NYU Courant) Linear Algebra II 讲义。

7.2 排列符号与逆序数的直觉

排列的符号 $\mathrm{sign}(j_1,\dots ,j_m)=(-1{)}^N$ 中，$N$ 是”不合自然顺序”的整数对数目（逆序数，inversion number）。这个量也称为Levi-Civita 符号，记作 ${ϵ}_{j_1{j}_2\cdots j_m}$。

直觉：想象 $m$ 个人按身高排队。自然顺序 $(1,2,\dots ,m)$ 是从矮到高。如果交换两个人的位置，“不合自然顺序”的对数变化总是奇数（定理9.34）。因此：

• 偶数次交换 = 回到正序（符号 $+1$，偶排列）
• 奇数次交换 = 与正序相反（符号 $-1$，奇排列）

为什么逆序数的奇偶性是良定义的？ 因为无论用什么交换序列将排列还原为 $(1,\dots ,m)$，交换次数的奇偶性都相同——这是定理9.34的直接推论。一个更优雅的理解方式是通过Vandermonde 多项式：

$P={\prod }_{1\le i<j\le n}(x_i-x_j)$

交换任意两个变量 $x_k$ 和 $x_{\ell }$（$k<\ell$），因子 $(x_k-x_{\ell })$ 变号，其他因子两两配对不变，所以整个多项式变号。排列 $\sigma$ 作用于 $P$ 得到 $\sigma P=ϵ(\sigma )P$，因此 $ϵ(\sigma )=\pm 1$ 由排列唯一确定。

${\mathbb{R}}^3$ 中的 Levi-Civita 张量：定义 $ϵ(u,v,w)=(u\times v)\cdot w$（混合积），则 ${ϵ}_{ijk}=ϵ(e_i,e_j,e_k)=\{\begin{array}{ll}+1& \text{若 }(i,j,k)\text{ 是 }(1,2,3)\text{ 的循环排列}\\ -1& \text{若 }(i,j,k)\text{ 是反循环排列}\\ 0& \text{其他情况}\end{array}$ 这就是有向体积在标准基下的值：$ϵ(u,v,w)$ 测量三个向量张成的平行六面体的有向体积。

来源：UW-Madison Math 341 讲义、Dmitry Givental (UC Berkeley) 行列式讲义、Aaron Trowbridge 物理博客。

7.3 为什么 $\dim V_{\text{alt}}^{(n)}=1$？

更一般地，$\dim V_{\text{alt}}^{(k)}=\left(\genfrac{}{}{0ex}{}{n}{k}\right)$（$n=\dim V$），当 $k=n$ 时 $\left(\genfrac{}{}{0ex}{}{n}{n}\right)=1$。

直觉理解：

• 一个交错 $k$ 重线性型由它在基向量组合上的值完全确定
• 交错性施加了强烈约束：有重复基向量的组合值为0，互异基向量的 $k!$ 种排列只差符号
• 自由参数的数量 = 从 $n$ 个基向量中选 $k$ 个的方式数 = $\left(\genfrac{}{}{0ex}{}{n}{k}\right)$
• 当 $k=n$ 时，只有一种选择（全部 $n$ 个基向量），所以只有 $1$ 个自由度

外积基的构造：设 $v_1,\dots ,v_n$ 是 $V$ 的基，则集合 ${\mathcal{B}}_k=\{v_{i_1}\wedge \cdots \wedge v_{i_k}\mid 1\le i_1<i_2<\cdots <i_k\le n\}$ 构成 ${\Lambda }^{k}V$（即 $V_{\text{alt}}^{(k)}$ 的外积表示）的基。元素个数恰好是 $\left(\genfrac{}{}{0ex}{}{n}{k}\right)$。

具体例子（$n=3$）：

$k$	基元素	维度
$k=1$	${\beta }_1,{\beta }_2,{\beta }_3$	$\left(\genfrac{}{}{0ex}{}{3}{1}\right)=3$
$k=2$	${\beta }_1\wedge {\beta }_2,{\beta }_1\wedge {\beta }_3,{\beta }_2\wedge {\beta }_3$	$\left(\genfrac{}{}{0ex}{}{3}{2}\right)=3$
$k=3$	${\beta }_1\wedge {\beta }_2\wedge {\beta }_3$	$\left(\genfrac{}{}{0ex}{}{3}{3}\right)=1$

与张量积的对比：$k$ 重张量积空间 $V\otimes \cdots \otimes V$ 的维度是 $n^k$（所有有序 $k$ 元组），而交错型空间 ${\Lambda }^{k}V$ 的维度是 $\left(\genfrac{}{}{0ex}{}{n}{k}\right)$（无序 $k$ 元组，且排除重复）。交错性将 $n^k$ 个自由参数压缩到 $\left(\genfrac{}{}{0ex}{}{n}{k}\right)$ 个——这是一个巨大的简化。

Wedge dependence lemma：$v_1\wedge \cdots \wedge v_k=0$ 当且仅当 $v_1,\dots ,v_k$ 线性相关。这与定理9.28和9.39完全对应——交错型在线性相关输入上为零。

来源：Sheel Ganatra (UC Berkeley) wedge products 讲义、Fergus Baker 数学参考、Michigan大学讲义。

7.4 从交错型到行列式的逻辑链

Axler 的行列式定义路径与传统教材完全不同，其逻辑链为：

有向体积（几何直觉）
    ↓ 抽象化
交错多重线性型（代数定义）
    ↓ 维度分析
dim V_alt^n = 1（一维性——本节核心）
    ↓ 唯一性（差标量倍）
行列式 = "体积缩放因子"（下一节定义）
    ↓ 选基展开
经典行列式公式（排列和形式）

外积视角下的行列式：给定线性映射 $T:V\to V$，$T$ 自然诱导映射 ${\Lambda }^{n}T:{\Lambda }^{n}V\to {\Lambda }^{n}V$。因为 ${\Lambda }^{n}V$ 是一维的，一维空间上的线性映射只能是”乘以一个标量”。这个标量就是 $\det (T)$——完全不需要选取基，不需要矩阵。

外积的系数就是行列式：在二维中，设 $v=a{e}_1+b{e}_2$，$w=c{e}_1+d{e}_2$，则 $v\wedge w=(a{e}_1+b{e}_2)\wedge (c{e}_1+d{e}_2)=(ad-bc)e_1\wedge e_2$ 系数 $ad-bc$ 正是 $\det \left(\begin{array}{cc}a& b\\ c& d\end{array}\right)$。外积提供了无基的面积/体积表述——$e_1\wedge e_2$ 充当”单位面积”，$v\wedge w$ 的系数就是相对于这个单位的面积值。

这种方法的优势：行列式的核心性质几乎是”免费的”：

• 乘法性 $\det (ST)=(\det S)(\det T)$：${\Lambda }^n(ST)={\Lambda }^{n}S\circ {\Lambda }^{n}T$，两次应用定义即可
• 可逆性判据：$\det T=0\iff T$ 不可逆（体积缩放为零意味着不满秩）

叉积 vs 外积：叉积 $\times$ 仅存在于 ${\mathbb{R}}^3$，结果仍为向量（赝向量）；外积 $\wedge$ 存在于任意维度，结果是一个新的代数对象（$k$-blade），生活在不同的向量空间 ${\Lambda }^{k}V$ 中。在 ${\mathbb{R}}^3$ 中，$u\times v$ 与 $u\wedge v$ 通过 Hodge 对偶相关联。

来源：Sheel Ganatra (UC Berkeley) wedge products 讲义、Deane Yang (NYU Courant) 讲义、Wikipedia 外代数条目、Aaron Trowbridge 物理博客。

7.5 常见误区

误区1：交错就是反对称

❌ “交错多重线性型就是反对称多重线性型” ✅ 在 $\mathbb{R}$ 或 $\mathbb{C}$ 上两者等价（因为 $2\ne 0$）。但在特征为 $2$ 的域上，“反对称”（$\alpha (\dots ,v_i,\dots ,v_j,\dots )=-\alpha (\dots ,v_j,\dots ,v_i,\dots )$）不蕴含”交错”（因为 $-1=1$）。Axler 用”两个相等输入时为零”作为原始定义，这比反对称更强也更基本。

误区2： $\dim =1$ 意味着只有一个交错型

❌ ”$\dim V_{\text{alt}}^{(n)}=1$ 意味着只有一个交错 $n$ 重线性型” ✅ 意味着所有非零交错 $n$ 重线性型都是彼此的标量倍数。有无限多个，但都”共线”。类比：一维向量空间有无限多个向量，但都只差一个标量因子。

误区3：定理9.39不需要 $n=\dim V$ 的条件

❌ “非零交错型在某个向量组上非零，就能推出线性无关” ✅ 习题7给出反例：${\mathbb{R}}^3$ 上的非零交错 $2$ 重线性型 $\alpha$ 与线性无关组 $v_1,v_2$，可以满足 $\alpha (v_1,v_2)=0$。$n=\dim V$ 的条件是必要的。

误区4：排列符号是人为规定

❌ “排列的符号是人为规定的，没有内在必然性” ✅ 排列符号是由交错性的性质唯一确定的。定理9.35表明：如果你要求”交换两个输入变号”，那么排列的符号就被逆序数唯一决定了。这不是任意选择，而是交错性的必然推论。Vandermonde 多项式 ${\prod }_{i<j}(x_i-x_j)$ 提供了另一个独立视角：交换变量必然变号，因此排列作用于多项式的结果只能是 $\pm 1$。

误区5：外积就是叉积

❌ “外积（wedge product）就是叉积（cross product）” ✅ 叉积 $\times$ 仅存在于 ${\mathbb{R}}^3$（和 ${\mathbb{R}}^7$），结果仍为向量（严格来说是赝向量/轴向量）；外积 $\wedge$ 存在于任意维度，结果是一个新的代数对象（$k$-blade），生活在不同的向量空间 ${\Lambda }^{k}V$ 中。在 ${\mathbb{R}}^3$ 中，$u\times v$ 与 $u\wedge v$ 通过 Hodge 对偶 $\star$ 相关联：$\star (u\wedge v)=u\times v$。外积是更基本的概念。

误区6：排列分解为对换的表示唯一

❌ “一个排列可以唯一地分解为对换的乘积” ✅ 排列分解为对换的方式不唯一，但分解中对换个数的奇偶性是唯一的。例如 $(2,1,3)$ 可以分解为一次对换 $(12)$，也可以分解为三次对换 $(12)(13)(13)$——但 $1$ 和 $3$ 都是奇数。这个”奇偶性唯一”的事实正是定理9.34所保证的。

误区7：行列式必须通过矩阵来定义

❌ “行列式是方阵的一个函数，必须先有矩阵才能定义行列式” ✅ Axler 的方法表明：行列式本质上是线性算子的性质，而非矩阵的性质。${\Lambda }^{n}V$ 是一维的，$T:V\to V$ 诱导的 ${\Lambda }^{n}T$ 在一维空间上只能是乘以标量，该标量就是 $\det (T)$。矩阵的行列式只是算子行列式在特定基下的坐标表示。这种无基定义更本质、更优雅。

---

八、习题精选

习题1：$V^{(m)}$ 的维数

习题1

设 $m$ 是正整数。证明：$\dim V^{(m)}=(\dim V{)}^m$。

查看解答

设 $n=\dim V$，$e_1,\dots ,e_n$ 是 $V$ 的基。定义映射 $\Phi :V^{(m)}\to {\mathbb{F}}^{n^m}$ 为 $\Phi (\beta )=(\beta (e_{j_1},\dots ,e_{j_m}){)}_{(j_1,\dots ,j_m)\in \{1,\dots ,n{\}}^m}$

$\Phi$ 是线性的：显然（函数加法和标量乘法）。

$\Phi$ 是单射：若 $\Phi (\beta )=0$，则 $\beta$ 在所有基向量组合上为零。对任意 $v_k={\sum }_j{b}_{j,k}{e}_j$，由多重线性性，$\beta (v_1,\dots ,v_m)=\sum b_{j_1,1}\cdots b_{j_m,m}\beta (e_{j_1},\dots ,e_{j_m})=0$，所以 $\beta =0$。

$\Phi$ 是满射：对任意 $(c_{j_1,\dots ,j_m})\in {\mathbb{F}}^{n^m}$，定义 $\beta (v_1,\dots ,v_m)={\sum }_{j_1,\dots ,j_m}{c}_{j_1,\dots ,j_m}{\phi }_{j_1}(v_1)\cdots {\phi }_{j_m}(v_m)$ 其中 ${\phi }_j$ 是对偶基。则 $\Phi (\beta )=(c_{j_1,\dots ,j_m})$。

因此 $\Phi$ 是同构，$\dim V^{(m)}=n^m=(\dim V{)}^m$。

习题2：交错3重线性型

习题2

设 $n\ge 3$ 且 $\alpha :{\mathbb{F}}^n\times {\mathbb{F}}^n\times {\mathbb{F}}^n\to \mathbb{F}$ 定义为 $\alpha ((x_1,\dots ,x_n),(y_1,\dots ,y_n),(z_1,\dots ,z_n))=x_1{y}_2{z}_3-x_2{y}_1{z}_3-x_3{y}_2{z}_1-x_1{y}_3{z}_2+x_3{y}_1{z}_2+x_2{y}_3{z}_1$ 证明：$\alpha$ 是 ${\mathbb{F}}^n$ 上的交错 $3$ 重线性型。

查看解答

多线性性：以第一个位置为例，固定 $(y_1,\dots ,y_n)$ 和 $(z_1,\dots ,z_n)$，则 $\alpha ((x_1,\dots ),(y_1,\dots ),(z_1,\dots ))=(y_2{z}_3-y_3{z}_2)x_1+(y_3{z}_1-y_1{z}_3)x_2+(y_1{z}_2-y_2{z}_1)x_3$ 这是关于 $(x_1,x_2,x_3)$ 的线性函数。类似可证其他位置。

交错性：令三组输入相同，即 $x_i=y_i=z_i$，则 $\alpha =x_1{x}_2{x}_3-x_2{x}_1{x}_3-x_3{x}_2{x}_1-x_1{x}_3{x}_2+x_3{x}_1{x}_2+x_2{x}_3{x}_1=0$ （六项两两抵消）。类似可验证任意两个位置输入相等时输出为零。

习题5：反对称化构造

习题5

设 $m$ 是正整数，$\beta$ 是 $V$ 上的 $m$ 重线性型。定义 $V$ 上的 $m$ 重线性型 $\alpha$ 为 $\alpha (v_1,\dots ,v_m)={\sum }_{(j_1,\dots ,j_m)\in {\text{perm}}_m}\mathrm{sign}(j_1,\dots ,j_m)\beta (v_{j_1},\dots ,v_{j_m})$ 其中，$v_1,\dots ,v_m\in V$。解释为什么 $\alpha \in V_{\text{alt}}^{(m)}$。

查看解答

多线性性：$\alpha$ 是若干个 $m$ 重线性型（每个都是 $\beta$ 的输入重排）的线性组合，所以 $\alpha$ 仍是 $m$ 重线性型。

交错性：设 $v_1=v_2$。对每个排列 $(j_1,\dots ,j_m)\in {\text{perm}}_m$，排列 $(j_2,j_1,j_3,\dots ,j_m)$ 也有与之相反的符号（由定理9.34）。因为 $v_1=v_2$，这两项的 $\beta$ 值相同但符号相反，成对抵消。因此 $\alpha (v_1,v_1,v_3,\dots ,v_m)=0$。

这与定理9.37证明中构造非零交错型的公式9.38完全类似——本质上就是”对 $\beta$ 做反对称化”。

习题7：$n\ne \dim V$ 时的反例

习题7

给出一例：${\mathbb{R}}^3$ 上的非零交错 $2$ 重线性型 $\alpha$ 与 ${\mathbb{R}}^3$ 中一线性无关组 $v_1,v_2$，使得 $\alpha (v_1,v_2)=0$。

查看解答

定义 $\alpha :{\mathbb{R}}^3\times {\mathbb{R}}^3\to \mathbb{R}$ 为 $\alpha ((x_1,x_2,x_3),(y_1,y_2,y_3))=x_1{y}_2-x_2{y}_1$ 这是 ${\mathbb{R}}^3$ 上的非零交错 $2$ 重线性型（只看前两个坐标的”有向面积”）。

取 $v_1=(1,0,1)$，$v_2=(0,1,1)$。则 $v_1,v_2$ 线性无关（不成比例），但 $\alpha (v_1,v_2)=1\cdot 1-0\cdot 0=1\ne 0$

修正：取 $v_1=(1,0,0)$，$v_2=(0,0,1)$。则 $v_1,v_2$ 线性无关，且 $\alpha (v_1,v_2)=1\cdot 0-0\cdot 0=0$

为什么定理9.39失效？ 因为 $m=2\ne \dim {\mathbb{R}}^3=3$。交错 $2$ 重线性型只”看”两个向量的关系，而 ${\mathbb{R}}^3$ 中的两个向量即使线性无关，也可能在某个 $2$ 重线性型下输出零（因为该型可能只涉及某些坐标方向）。

---

九、视频学习指南

暂无对应视频，建议通过阅读教材原文和本笔记学习。

建议学习路径：

1. 先通读本笔记的”概览”和”知识结构总览”，建立整体框架
2. 按模块顺序学习，重点理解从多重线性型→交错型→排列→一维性的递进逻辑
3. 特别关注定理9.37的证明——这是下一节行列式定义的直接基础
4. 通过补充理解模块建立”有向体积”的几何直觉
5. 做习题巩固：习题1（维数公式）、习题2（验证交错性）、习题5（反对称化）

---

十、教材原文

交错多重线性型